Pacotes

library("plotly")
library("readxl")
library("dplyr")
library("ggplot2")
library("gganimate")
library("lubridate")
library("png")
library("gifski")
library("ggthemes")
library("forecast")
library("xts")

Dados

read_excel_allsheets <- function(filename, tibble = FALSE) {
   sheets <- readxl::excel_sheets(filename)
  x <- lapply(sheets, function(X) readxl::read_excel(filename, sheet = X))
  if(!tibble) x <- lapply(x, as.data.frame)
  names(x) <- sheets
  x
}
base<- read_excel_allsheets("Bases_Final_ADS_Jun2021.xlsx")

base<- as.data.frame(base$dados)
#Procurando por NA's 
table(is.na(base)) 
## 
## FALSE  TRUE 
##  9734   526
# Como o número de NA's é pouco, proximo dos 5%, vamos substituir pelaa média de cada coluna

base<- base %>% mutate_at(vars(-('data_tidy')),~ifelse(is.na(.x), mean(.x, na.rm = TRUE), .x))

#Separando a base por regiões 
centro_oeste <- base %>% select(ends_with("co"), data_tidy,du)
norte<- base %>% select(ends_with("n"), data_tidy, du) 
nordeste <-base %>% select(ends_with("ne"), data_tidy, du)
sul <-base %>% select(ends_with("s"), data_tidy, du)
sudeste<- base %>% select(ends_with("se"), data_tidy, du)
ano<- year(base$data_tidy)

EDA

Relação entre consumo residencial e a temperatura média - Centro-Oeste

temp_media_co = (centro_oeste$temp_max_co + centro_oeste$temp_min_co)/2

res_co<-  ggplot(data = centro_oeste, aes(x= res_co, y = temp_media_co)) + 
  geom_point(colour = "red")

co_res_gif<- res_co + 
    labs(title = 'Centro-Oeste Ano: {as.integer(frame_time)}', x = "consumo residencial", y = "temperatura média") +
  transition_time(ano) +
  ease_aes('linear') +
  theme_economist() 
  animate(co_res_gif, height=400, width=600, renderer = gifski_renderer())

  anim_save("co_res_gif.gif", co_res_gif)

Segundo um artigo recente de YATING et al,.(2019) para cada aumento de 1°C na temperatura há um aumento correspondente de 9,2% no consumo de energia. Podemos observar como as variações na temperatura ao longo dos últimos anos em conjunto as mudanças nos padrões de consumo, com o aumento das vendas de ar condicionados por exemplo, demonstram isso em todas as regiões do Brasil.

Relação entre consumo residencial e a temperatura média - Nordeste

temp_media_ne = (nordeste$temp_max_ne + nordeste$temp_min_ne)/2

res_ne<- ggplot(data = nordeste, aes(x= res_ne, y = temp_media_ne)) + geom_point(colour = "red")

ne_res_gif<- res_ne +
  labs(title = 'Nordeste Ano: {as.integer(frame_time)}', x = "consumo residencial", y = "temperatura média") +
  transition_time(ano) +
  ease_aes('linear') +
  theme_economist() 
animate(ne_res_gif, height=400, width=600, renderer = gifski_renderer())

anim_save("ne_res_gif", ne_res_gif)

Relação entre consumo residencial e a temperatura média - Norte

temp_media_n = (norte$temp_max_n + norte$temp_min_n)/2

res_n<- ggplot(data = norte, aes(x= res_n, y = temp_media_n)) + geom_point(colour = "red") 


n_res_gif<- res_n + 
  labs(title = 'Norte Ano: {as.integer(frame_time)}', x = "consumo residencial", y = "temperatura média") +
  transition_time(ano) +
  ease_aes('linear') +
  theme_economist() 
  animate(n_res_gif, height=400, width=600, renderer = gifski_renderer())

  anim_save("n_res_gif.gif", n_res_gif)

Relação entre consumo residencial e a temperatura média - Sul

temp_media_s = (sul$temp_max_s + sul$temp_min_s)/2

res_s<- ggplot(data = sul, aes(x= res_s, y = temp_media_s)) + geom_point(colour = "red") 

s_res_gif<- res_s +
  labs(title = 'Sul Ano: {as.integer(frame_time)}', x = "consumo residencial", y = "temperatura média") +
  transition_time(ano) +
  ease_aes('linear') +
  theme_economist() 
animate(s_res_gif, height=400, width=600, renderer = gifski_renderer())

anim_save("s_res_gif.gif", s_res_gif)

Relação entre consumo residencial e a temperatura média - Sudeste

temp_media_se = (sudeste$temp_max_se + sudeste$temp_min_se)/2

res_se<- ggplot(data = sudeste, aes(x= res_se, y = temp_media_se)) + geom_point(colour = "red") 

se_res_gif <- res_se +
  labs(title = 'Sudeste Ano: {as.integer(frame_time)}', x = "consumo residencial", y = "temperatura média") +
  transition_time(ano) +
  ease_aes('linear') +
  theme_economist() 
animate(se_res_gif, height=400, width=600, renderer = gifski_renderer())

anim_save("se_res_gif", se_res_gif)

O consumo de energia pela industria sempre foi uma ótima variavel dummie para observar processo de crescimento econômico. A relação entre o consumo e a produção parece uma relação obvia, contudo é preciso observar a participação da industria no consumo total. O participação no consumo por outros setores pode ser relevante para entender um possivel processo de desindustrialização.

Relação entre produção industrial e consumo de energia - Centro-Oeste

co <- ggplot(centro_oeste, aes(x = ind_co, y = pim_co, size = du, color = as.factor(du))) +
  geom_point(alpha = 0.8) + scale_size(range(1,20), guide = 'none') + 
  theme_economist(base_size = 12) + theme(axis.title = element_text(size=9)) + 
  scale_fill_economist(name = "dias uteis") + 
  labs(title = "Centro-Oeste", x ="Consumo de energia", y = "produção industrial",color = "dias úteis")

ggplotly(co)

Relação entre produção industrial e consumo de energia - Norte

n <- ggplot(norte, aes(x = ind_n, y = pim_n, size = du, color = as.factor(du))) +
  geom_point(alpha = 0.8) + scale_size(range(1,20), guide = 'none') + 
  theme_economist(base_size = 12) + theme(axis.title = element_text(size=9)) + 
  scale_fill_economist(name = "dias uteis") + 
  labs(title = "Norte", x ="Consumo de energia", y = "produção industrial",color = "dias úteis")

ggplotly(n)

Relação entre produção industrial e consumo de energia - Nordeste

ne <- ggplot(nordeste, aes(x = ind_ne, y = pim_ne, size = du, color = as.factor(du))) +
  geom_point(alpha = 0.8) + scale_size(range(1,20), guide = 'none') + 
  theme_economist(base_size = 12) + theme(axis.title = element_text(size=9)) + 
  scale_fill_economist(name = "dias uteis") + 
  labs(title = "Nordeste", x ="Consumo de energia", y = "produção industrial",color = "dias úteis")

ggplotly(ne)

Relação entre produção industrial e consumo de energia - Sul

s<- ggplot(sul, aes(x = ind_s, y = pim_s, size = du, color = as.factor(du))) +
  geom_point(alpha = 0.8) + scale_size(range(1,20), guide = 'none') + 
  theme_economist(base_size = 12) + theme(axis.title = element_text(size=9)) + 
  scale_fill_economist(name = "dias uteis") + 
  labs(title = "Sul", x ="Consumo de energia", y = "produção industrial",color = "dias úteis")

ggplotly(s)

Relação entre produção industrial e consumo de energia - Sudeste

se<- ggplot(sudeste, aes(x = ind_se, y = pim_se, size = du, color = as.factor(du))) +
  geom_point(alpha = 0.8) + scale_size(range(1,20), guide = 'none') + 
  theme_economist(base_size = 12) + theme(axis.title = element_text(size=9)) + 
  scale_fill_economist(name = "dias uteis") + 
  labs(title = "Sudeste", x ="Consumo de energia", y = "produção industrial",color = "dias úteis")

ggplotly(se)